Granite Speech 5.0 : IBM met à jour son modèle de transcription sous licence Apache

IBM publie ses modèles Granite à poids ouverts, avec une cible assumée : l'entreprise qui veut héberger elle-même. Le 20 octobre 2026, la famille s'est enrichie de granite-speech-5.0-2b, un modèle qui transforme la parole en texte et la traduit. Il succède à granite-speech-4.1-2b avec le même nombre de paramètres.

Ce qu'il fait

• Transcription en six langues : anglais, français, allemand, espagnol, portugais et japonais.
• Traduction de la parole depuis et vers l'anglais pour ces langues, ainsi que de l'anglais vers l'italien et le mandarin.
• Transcription guidée par mots-clés : on fournit une liste de termes à reconnaître en priorité, jusqu'à 2 000. C'est la fonction la plus utile en contexte professionnel, pour les noms de produits, de clients ou les sigles maison.
• Ponctuation et majuscules, sur demande, par une consigne dédiée.

La licence est Apache 2.0 : usage commercial, modification et hébergement interne sont permis sans redevance.

Ce qui change par rapport à la version 4.1

D'après la fiche du modèle, à taille égale :

• une transcription plus précise des enregistrements courts en anglais ;
• une meilleure tenue face au bruit, à la réverbération et aux micros éloignés ;
• la possibilité d'indiquer la langue de l'enregistrement dans la consigne ;
• une meilleure traduction des conversations et des enregistrements longs ;
• une liste de mots-clés portée à 2 000 termes.

Comment l'utiliser

Le modèle se lance de plusieurs façons : avec la bibliothèque Transformers (version 4.52.1 au minimum), avec vLLM, avec llama.cpp au format GGUF, avec mlx-audio sur les Mac à puce Apple, ou avec Ollama sous le nom ibm/granite5-speech. Une version pour appareils mobiles, de 2,8 Go, est proposée par la communauté LiteRT.

Trois contraintes pratiques figurent sur la fiche :

• l'audio doit être en mono, à 16 kHz ;
• la transcription se fait par segments d'environ deux minutes au maximum. Un enregistrement plus long doit être découpé au préalable par un outil de détection de la parole ;
• avec llama.cpp, IBM recommande la quantification Q8_0. Les versions plus compressées perdent en précision sur les audios de plus d'une minute environ.

Les résultats publiés

La fiche donne peu de chiffres en clair : les comparaisons de précision avec les classements publics figurent dans des graphiques. Le seul tableau détaillé porte sur la ponctuation et les majuscules, et il est contrasté pour le français. Sur le jeu de test Common Voice en français, le taux d'erreur de ponctuation passe de 11,00 à 11,43 : la nouvelle version fait très légèrement moins bien que l'ancienne, alors qu'elle progresse en anglais et en portugais.

Les limites

• Pas d'identification des locuteurs parmi les consignes d'usage listées sur la fiche, qui couvrent la transcription et la traduction. Pour un compte rendu de réunion qui attribue les propos, vérifiez ce point avant de compter dessus.
• Six langues seulement en transcription, loin des dizaines de langues des services en ligne.
• Erreurs possibles. IBM prévient que le modèle peut produire des réponses inexactes ou biaisées et recommande de l'associer à son modèle de contrôle Granite Guardian. L'organisation d'IBM sur Hugging Face liste aussi une variante plus légère, granite-speech-5.0-470m-turboctc. Nous n'avons pas lu sa fiche et ne la décrivons pas ici.

Notre lecture

Pour un cabinet, une étude ou un service client qui enregistre des échanges confidentiels, ce modèle a deux arguments : une licence sans ambiguïté et un fonctionnement entièrement local. La liste de mots-clés répond à un défaut courant des outils de transcription, qui écorchent les noms propres.

Le découpage en segments de deux minutes demande en revanche un peu de développement : ce n'est pas un outil clés en main. Et puisque le français ne progresse pas sur tous les points, comparez les versions 4.1 et 5.0 sur vos propres enregistrements avant de migrer.